基于超声波传感技术的带式输送机早期故障检测研究

田亚超

（山西焦煤汾西矿业正帮煤业有限责任公司，山西 孝义 032300）

引言

带式输送机是矿井工作面专门的运输机械。该设备持续处理和卸载煤炭物料，随时对剥落的煤炭物料进行回收、运输和装运。目前针对于带式输送机的智能检查和故障检测，最常见的信号类型是振动、声发射、温度、超声波和机械应力分析。目前虽然有带式输送机的故障检测手段，但是检测阶段仅存在于后期的报警。本文专注于带式输送机使用声音诊断旋转部件相关的早期故障检测工作[1]。为了改进带式输送机的检测技术，利用超声波信号解决了托辊的结构健康监测问题。使用超声探测仪记录了某煤矿工作面的一台带式输送机辊子的超声波数据，考虑到其视觉和操作方面的便捷性，对异常振动、偏心旋转、噪声排放、密封缺失等情况进行检测。本文提出并评估不同的数据结构设备早期的故障特征。通过带式输送机的超声波传感，结合人工智能技术和信号模式识别，实现带式输送机托辊故障早期的检测。

1 带式输送机故障情况简介

典型的带式输送机结构包括一个张紧的橡胶带，橡胶带直接由辊子和防爆电动机驱动的滑轮支撑，保持其平稳运行。一个框架包含一个中心辊和两个角度辊，通常每隔1 m安装传送辊。一个配重系统通过拉伸皮带并吸收操作负荷的变化，保持皮带与滚筒的连续接触。通过一个端部滑轮后，顶部皮带部分由结构弯曲的皮带部分返回到初始位置，由大型滚子支撑。图1显示了一个常见的带式输送机的结构方案。

滚动部件的主要故障来自轴承损坏、润滑油缺乏、污垢侵入或制造故障。据估计，43%的轴承故障是由于水分或其他污染物造成，源自于错误密封方式所致。该部件的故障通常会阻塞滚筒，这主要由于运动阻力导致的功耗过高。此外，受阻的滚动可能会由于皮带摩擦而加热，达到400℃[2]。这种故障情况具有很高的破坏力，因为热量可能会在周围的结构中引起火灾，造成煤矿瓦斯爆炸的严重事故。

图1 带式输送机结构示意图

2 故障检测应用方法

2.1 数据收集

本文针对山西某矿使用的HAPZC-789型号的带式输送机进行研究，使用声波探测器记录了带式输送机操作过程中托辊运行的超声波。超声波传感器是来自UE系统公司的Ultraprobe 10000，如下页图2所示，用于监测托辊运行传输系统。这个传感器捕获较低的超声波频谱（20～100 kHz）的声音，并有一个数据记录软件与其相互配合，可以输出数据作为波形音频格式文件。Ultraprobe超声探测仪使用了一种名为Heterodyning的信号处理技术将高频声音信号映射到人的听觉范围[3]。经验丰富的操作员倾听转换信号中的模式，以寻找有缺陷的故障位置。

在输送机操作过程中，通过将传感器放置在滚动轴承附近进行记录，如下页图3所示。设备噪声敏感性被设置为最小化，防止附近其他设备的外部噪声干扰。最终将感知到的数据进行算法分析并分类讨论，进一步评估其故障发生的可能性。

2.2 超声波数据处理

图2 超声探测仪示意图

图3 超声探测仪的现场应用

对于每个数据记录，执行两个基本的预处理步骤：时域数据采集和频域转换。时域数据采集，每个文件被转换为一个声幅数据，每个音频记录的秒采样率为16 000个值。每个实验中，这些数据向量被分成更小的部分，以增加样本的数量。

图4-1显示了非缺陷怠速器的典型时域曲线。图中的每秒包含-1～1之间归一化的16000个振幅值[4]。图4-2显示了有缺陷的怠速器模式的曲线。对于频域数据转换，在每个记录文件上，应用4 096个频率范围段。后来，这些频率值将被划分成更小的间隔来形成测试数据集样本。图4-3显示了无缺陷怠速器的典型频域曲线。图4-4显示了有缺陷的怠速器曲线。

3 数据学习与分析结果

3.1 实验方案设计

将数据分析形成4个实验进行分类讨论，实验1和2考虑到时域数据。实验3和4通过应用于时域数据的FFT算法考虑频域数据。对于每个不同的实验（不同的输入特性），本文运行以下配置：一层5个或10个数据神经元，两层各有5个和10个数据神经元。每个实验用不同的数值进行10次提取，应用10倍交叉验证。通过相互之间的数据特征比较和学习，将异常故障数据的特征进行提取，以便技术人员能够精准识别。在RF和MLP机器学习算法的训练过程中，使用了分类为NDI和DI神经网络逼近算法的样本总数，以实现分类任务的多样性。

图4 数据记录处理图形

采用RF10、RF50、RF100、MLP10等不同算法方式对4个实验的数据进行处理和识别，每个实验对于数据测试算法的组合方案各不相同，其中第一个实验使用从20个空运行记录中提取的半秒数据进行测试[5]。第二个实验采用12个属性向量的1 s样本，从20个记录中提取平均值、中位数和标准差。实验3使用3个属性向量的FFT算法。实验4使用从FFT算法中提取的样本进行检测，每5 s对20个记录分成40个部分进行讨论[6]。测试结果如图5所示。

图5 四个实验数据分析图形

3.2 结果分析

如图5所示，实验4的图形幅度最高，同时结果表明，实验4组效果最好。在这个实验中，用MLP10算法得出了最好的检测结果。将其结果与其他组（RF10、RF50、RF100、MLP5、MLP5×5、MLP10×10）进行比较表明，所有集合可以认为相当于99%的置信度。唯一的例外是MLP10与MLP10×10的比较，其 显 示p值 为0.002。因 此，RF10、RF50、RF100、MLP5、MLP5×5和MLP10都可以被认为等同于99%的置信度。唯一的MLP10×10是不等价的，并且呈现出最不精准的结果，它可能是由于过度函数拟合而发生的。

实验4的结果强调，对于获得的数据建模，预处理方法和属性定义都是实质性的。对于实验4，大多数检测方法的准确性超过了80%。本实验的最佳模型显示平均准确率为83.68%，最佳案例呈现准确率为89.47%。这项检测工作所取得的结果是令人满意的，能够发现带式输送机早期的异常情况。同时也表明声学传感在故障检测领域的应用能够满足煤矿安全工程的需要。

4 结语

本文提出了一种带式输送机托辊早期故障检测的方法。为了评价哪种早期故障预处理和特征提取方法可以更有效地获得更好的故障诊断结果，设计了4种实验（时域和频域数据具有不同属性向量）。结果表明，检测的性能取决于用作输入的不同数据故障结构差异。实验1和2使用时域数据。实验1的最佳情况准确率为74.22%。实验2的最佳情况显示准确率为75.13%。最差的结果是实验3，它使用与实验1相同的属性向量，但使用频域数据。最佳情况的准确率为66.50%，平均为65.65%。实验4实现了最好的结果，该实验4使用具有40个值的移动平均值在频率域部署更详细的属性向量。对于实验4，大多数检测方法的准确性超过了80%。本实验的最佳模型显示平均准确率为83.68%，最佳案例呈现准确率为89.47%。研究成果为矿井带式输送机故障检测方法研究提供了依据。